台灣健康大數據永續平台的 AI 未來實踐：從健康大數據到可信任驗證
講者 : 戴鴻傑教授 國立高雄科技大學 電機工程系
關鍵字: AI、健康大數據、可信任研究環境、Trusted Research Environment、HIPAA Safe Harbor、MCP、FAIR 原則
文 / GHD團隊 / 李修安、沈衍如
在「2025台灣健康大數據整合服務平台年會」中，國立高雄科技大學電機工程系戴鴻傑教授以「台灣健康大數據永續平台的 AI 未來實踐：從健康大數據到可信任驗證」為題，分享人工智慧（AI）技術在健康資料平台中的創新應用與可信任研究環境（Trusted Research Environment，簡稱 TRE）建構策略。
圖 戴鴻傑教授演講剪影
戴教授指出，AI 在健康大數據分析與疾病預測領域的應用快速擴展，但要在兼顧病人隱私、資料安全與法規遵循的前提下促進研究合作，必須依賴可信任研究環境（Trusted Research Environment，簡稱 TRE）的架構設計與標準化流程。戴教授的演講從本身與國外 TRE 平台合作的經驗出發，以 GHD-TRE 平台為例，說明未來其在整合 AI 模組、自然語言處理（NLP）工具與資料服務中心（Hubs）後，使研究者能在受控且合規的環境中，進行跨機構資料分析、模型開發與可重現的實驗驗證，從而加速健康研究的推進並提升研究結果可信度的願景。
圖：在具備良好維運與治理機制的 TRE 平台下，與傳統資料分析流程之比較。
此圖比較未來 GHD-TRE 平台在完善的維運與治理機制下，與傳統資料處理流程在 AI 模組導入、安全保護與研究可重現性等面向的差異。圖中展示 GHD-TRE 如何透過容器化、標準化流程與安全規範，強化模型部署一致性、降低資安風險，並提升分析流程的重現性與研究效率。
戴老師團隊長期深耕於臨床自然語言理解技術的研發，開發了包括如癌症登記、疾分自動編碼、精神疾病電子病歷分析等多面向的平台與工具，累積了豐厚且具實證性的研究成果。在此次演講中，其於演講中特別強調 AI 模型在臨床醫療與研究場域的應用，不僅須追求準確度，更需兼具可重現性（Reproducibility）、可解釋性（Explainability）與 可驗證性（Verifiability），以確保研究結果在不同環境中皆能被檢視與信任。為達成此目標，戴老師也期許未來台灣的 GHD-TRE 平台落地後，能導入了容器化部署（Containerization）、AI Agent/MCP（Model Context Protocol）標準, 以及符合 HIPAA Safe Harbor 所要求的資料安全規範與技術。透過這些技術與標準的整合，GHD-TRE 確保臨床醫療研究分析與模型開發流程的一致性與可追溯性，提升研究效率的同時維持嚴謹的資料治理與安全性，真正實現醫療研究中「創新」與「合規」的平衡。
圖 HIPAA Safe Harbor 機制與文本資料的辨識標準設計
此圖示意 HIPAA Safe Harbor 機制應透過移除 18 項可識別個人身分的受保護健康資訊，將資料去識別化以符合國際隱私與資料安全標準。透過系統性地消除直接與間接識別資訊，TRE可在確保資料安全的前提下，支持合法合規的醫療資料使用與跨機構合作。
此外，戴教授亦分享與澳洲 SREDH 計畫合作的實際案例，說明如何透過雲端環境與容器化技術，讓 AI 模型能在不同研究中心間安全傳遞、部署並重現分析結果。透過此跨國合作例證，他強調台灣應積極建立「AI Ready 健康資料生態系」，結合國際合作、開放標準與倫理治理機制，使 TRE x AI 得以成為推動健康資料永續發展與可信任應用的核心動能。
圖 GHDxAI 的架構願景與 FAIR 原則
本圖展示現階段透過 MCP（Model Context Protocol）以標準化方式描述 AI 模型的環境、依賴、版本與運行設定，使模型能在不同研究環境間保持一致性與可移植性。透過結合 FAIR 原則（Findable、Accessible、Interoperable、Reusable），與 MCP 架構強化模型與研究資料的透明度、可追溯性與重現性，使 AI 模型在健康資料研究中更易於查找、交換、共享與再利用。
圖 SREDH 案例：跨國安全研究環境合作模式
本圖以澳洲 Secure Research Environment for Digital Health Researchers（SREDH） 為例，展示雲端化、容器化的安全研究生態系如何支援跨國資料分析合作。透過標準化的運算環境、模型部署流程與合規治理框架，SREDH 示範 AI 與健康資料能在受控、安全且可重現的架構下於不同研究中心間流通，為研究合作提供可行模式。
